RL策略梯度方法之(四): Asynchronous Advantage Actor-Critic（A3C）

本专栏按照 https://lilianweng.github.io/lil-log/2018/04/08/policy-gradient-algorithms.html 顺序进行总结 。

---

---

$A3C$ ：[ paper | code ]

---

原理解析

在A3C中，critic 学习值函数，同时多个 actor 并行训练，并不时地与全局参数同步。因此，A3C可以很好地用于并行训练。

• 服务器的每个核都是一个线程，也就是一个平行世界，同样的一个程序，在平行世界里同时运行，可以成倍数的提升运行速度。每个线程中的运行结果反馈给主网络，同时从主网络获取最新的参数更新，这样就将多个线程结合在一起，同时进一步减弱了事件的相关性，利于程序的收敛。

以 state-value 函数为例，状态值的损失函数是最小均方误差：$J_v(w)=(G_t-V_w(s){)}^2$，梯度下降可以用来寻找最优的 $w$。此状态值函数用作策略梯度更新的基线。

接下来，看一下A3C 的实现流程图：

可以看到，我们有一个主网络，还有许多Worker（主网络和每个线程中的网络结构相同，均为AC结构，唯一不同点在于主网络不需要进行训练，仅用于存储AC结构的参数。）。A3C主要有两个操作，一个是pull，一个是push：
pull：把主网络的参数直接赋予Worker中的网络
push：使用各Worker中的梯度，对主网络的参数进行更新

算法实现

总体流程

以下是算法的整体流程：

1. 全局参数 $\theta$ 和 $w$，相同的 特定线程的参数 ${\theta }^{\prime }$ 和 $w^{\prime }$
2. 初始化时间步：$t=1$
3. 当 $T\le T_{MAX}$：
   (1). 重置梯度 $d\theta =0,dw=0$
   (2). 使用全局参数同步特定线程的参数 ${\theta }^{\prime }=\theta$ 和 $w^{\prime }=w$
   (3). $t_{start}=t$，采样一个初始状态 $s_t$
   (4). 当 （$s_t!=$ TERMINAL $\&\&t-t_{\text{start}}\le t_{\text{max}}$）：
   \quad ① 取动作：$A_t\sim {\pi }_{{\theta }^{\prime }}(A_t|S_t)$，从环境中获得奖励 $R_t$ 和 下一个状态 $s_{t+1}$
   \quad ② 更新 $t=t+1$ 和 $T=T+1$
   (5). 初始化 保存return估计 的变量
   \quad $R=\{\begin{array}{ll}0& \text{if }{s}_t\text{ is TERMINAL}\\ V_{w^{\prime }}(s_t)& \text{otherwise}\end{array}$
   (6). 对于 ：$i=t-1,\dots ,t_{\text{start}}$
   \quad ① $R\leftarrow \gamma R+R_i$，这里 $R$ 是 $G_i$ 的一个 MC 度量
   \quad ② 累加梯度关于${\theta }^{\prime }$：$d\theta \leftarrow d\theta +{\nabla }_{{\theta }^{\prime }}\log {\pi }_{{\theta }^{\prime }}(a_i|s_i)(R-V_{w^{\prime }}(s_i))$
   \qquad 累加梯度关于$w^{\prime }$：$dw\leftarrow dw+2(R-V_{w^{\prime }}(s_i)){\nabla }_{w^{\prime }}(R-V_{w^{\prime }}(s_i))$
   (7). 使用 $\mathrm{d}\theta ,\mathrm{d}w$ 异步更新 $\theta ,w$

算法流程图如下：

A3C允许在多个agent的训练中并行进行。梯度积累步骤(6.2)可以看作是对基于mini-batch的随机梯度更新的并行改善：$w$ 或 $\theta$ 的值分别在每个训练线程的方向上进行一点独立的修正。

代码实现

https://github.com/MorvanZhou/pytorch-A3C